程序员书库（ID：CodingBook） 猿妹编译
参考链接：https://towardsdatascience.com/how-to-learn-data-science-for-free-eda10f04d083
很多人都想学习数据科学，但是一看到许多培训机构的学费就都止步了，那么问题来了，如果你想学习数据科学，但又负担不起学费，该怎么办呢？
我没有接受过数据科学这方面正规的教育，就把自己培养成一名数据科学家，今天，我就和大家分享一下我的个人学习数据科学的经验，主要分为三个部分：技术技能、理论和实践经验，希望对大家能有所启发：
技术技能
第一部分将着重于技术技能，建议你先打好技术基础，从实践出发，而不是从数学理论出发，到目前为止，Python是数据科学中使用最广泛的编程语言，在2018年开展的Kaggle机器学习和数据科学调查中，83%的受访者表示他们每天都使用Python。因此，我建议关注这门语言，但也花点时间在其他语言上，比如R语言。
Python的基本面
在开始使用Python之前，你需要对该语言背后的基本原理有一定的了解，所以你一定要上一门Python入门课程。市面上有很多免费的Python课程，但我最喜欢Codeacademy的，建议参加Python入门课程。它包括基本语法、函数、控制流、循环、模块和类等。（课程地址：https://www.codecademy.com/learn/learn-python）
使用Python进行数据分析
接下来，你应该开始学习如何使用Python进行数据分析，这里有一些不错的资源。
首先，我建议你至少把dataquest.io上免费的数据分析课程给学了。dataquest是文字阐述的教程形式（地址：https://app.dataquest.io/dashboard）Dataquest为数据分析师、数据科学家和数据工程师提供了完整的学习路径。如果你真的在上面找到一些你喜欢的付费课程，也可以尝试一下，一个月差不多29美刀，如果你负担得起，还可以包年。
Dataquest平台
Python的机器学习应用
如果你选择在Dataquest上付费学习完整的数据科学课程，那么你就可以很好的掌握Python机器学习的基础知识，如果没有的话，也不用担心，还有很多其他免费的资源。
首先我关注的是scikit-learn，它是目前为止机器学习中最常用的Python库。当我在学习的时候，我有幸参加了一个由scikit-learn的核心开发者之一Andreas Mueller举办的为期两天的研讨会。他已经在Github repo上上传了该课程和其他课程的材料。其中包括幻灯片、课程笔记等，强烈建议大家阅读这些材料（Github地址：https://amueller.github.io/）
此外，我还建议你阅读scikit-learn文档中获取一些教程，接着，我建议你可以构建一些实际的机器学习应用程序，并学习模型背后的理论。（scikit-learn文档地址：https://scikit-learn.org/stable/tutorial/basic/tutorial.html）
SQL
如果你想成为一名数据科学家，那么SQL是一项重要的技能，因为数据建模的基本过程之一就是提取数据。这通常涉及到数据库运行SQL查询，如果你还没有选择上Dataquest课程，这里也有一些免费的资源来学习这项技能。
Codeacamdemy有一个免费的SQL入门课程。（课程地址：https://www.codecademy.com/learn/learn-sql）这在整个浏览器编程中都是非常实用的，如果你还想了解基于云的数据库查询，那么谷歌Cloud BigQuery就是不错的选择，BigQuery是Google提供的一种Web服务，用于处理或分析大数据它有一个免费的版本，你可以免费尝试查询，查看各种公共数据集以及非常好的文档。
Codeacademy SQL课程
R语言
要想成为一名全能的数据科学家，尝试Python以外的编程语言也是一种不错的选择，因此我建议你在Codeacademy参加R语言入门课程，（课程地址：https://www.codecademy.com/learn/learn-r）和Dataquest类似，Codeacademy也提供了完整的数据科学课程，也有一些付费课程，具体还是取决于你的个人需要。
软件工程
掌握软件工程技能和实践是一个很好的途径，它可以让你的代码更具可读性和可拓展性，此外，当你的模型投入到实际使用中的时候，你一定要学会编写高质量的，经过良好测试的代码，并使用版本控制之类的工具，这里有两个很好的免费资源，《Python like you mean it》就很不错，它涵盖了PEP8风格的指南文档，也很好地涵盖了面向对象编程。（书籍地址：https://www.pythonlikeyoumeanit.com/Module5_OddsAndEnds/Writing_Good_Code.html）
scikit-learn的贡献指南虽然是为了方便读者贡献而编写的，但实际上很好地涉及到了最佳实践。诸如Github、单元测试和调试等主题，并且都有数据科学应用程贯穿其中。（地址：https://scikit-learn.org/stable/developers/contributing.html）
深度学习
对于深度学习的全面介绍，我认为没有什么比完全免费和无广告的fast.ai更好的了。本课程包括机器学习，实用深度学习，线性代数的入门知识，以及自然语言处理的代码入门，他们所有的课程都很实用，强烈推荐（地址：https://www.fast.ai/）
Fast.ai平台
理论
在学习技术课程的时候，你也会遇到代码背后的一些理论知识，建议你在学习实践的同时也要学习理论，我采取的方式是，我学习的代码能够实现一种技术，以KMeans为例，一旦我可以实现一项技术时，我就开始深入研究概念，比如scikit-learn文档包含的算法背后的所有数学概念。
khanacademy几乎涵盖了所有的概念，你注册好了之后，就可以定制你想要学习的科目，然后你可以拥有一份为你量身定制的课程，选中你想学习的方框就可以学习其中的元素。（地址：http://www.khanacademy.org/）
数学知识
维基百科将微积分定义为“对连续变化的数学研究”。换句话说，微积分可以找到函数之间的模式，例如在导数，它可以帮助你理解一个函数是如何随时间变化的。
许多机器学习算法利用微积分优化模型的性能。如果你学过一点机器学习，你就应该听过梯度下降法，梯度下降法是一个说明微积分在机器学习中应用的绝佳例子，这个函数通过迭代调整模型的参数值来找到最优值，从而最小化成本函数。
你需要知道以下知识：
链式法则
梯度
线性代数
许多流行的机器学习方法，包括XGBOOST，都使用矩阵来存储输入和处理数据。矩阵与向量空间和线性方程一起构成了被称为线性代数的数学分支。想要了解有多少机器学习方法是有效的，就有必要对这个领域有一定的了解，你需要学习的有：
空间和向量
矩阵的转换
数据统计
以下你是你需要知道的关键概念：
描述性/汇总统计
实验设计
机器学习
实践经验
第三部分是关于实践，如果掌握了上面的概念，你需要在一些实际应用程序中使用这些技能，通过这样做，你也会遇到一些难题，比如数据丢失或者数据错误，你需要在该主题上学习更加深入的专业知识，并且寻找获得实践的好地方
Kaggle平台
机器学习竞赛是一个练习建立机器学习模型的好地方。它们可以访问范围广泛的数据集，每个数据集都有一个特定的问题需要解决，并且有一个排行榜。排行榜是一个很好的方法去衡量你在模型开发方面的水平如何，以及你在哪些方面需要进一步提高。
除了Kaggle，还有其他机器学习竞赛平台，包括Analytics Vidhya和DrivenData。
Driven Data页面
UCI机器学习数据集
UCI机器学习数据集是公共可用数据集的大型来源。你可以使用这些数据集来组合自己的数据项目，数据分析和机器学习模型，你甚至可以尝试构建一个部署了Web前端的模型，此外，建议将你的项目存储在公开的地方，比如Github，这样可以让你的劳动成果得到展示，有助于以后的工作申请。
UCI资料库
对开源的贡献
另一个可以考虑的选择是为开源项目做贡献。有许多Python库依赖于社区来维护它们，还有各种黑客马拉松，初学者都可以参加，参加些活动肯定会给你一些实际的经验，你可以从别人那里学习，同时回报一些东西。Numfocus就是一个很好的例子。（地址：https://numfocus.org/）
在这篇文章中，我描述了一个完整的学习路径，和一些免费的在线教程帮助你学习数据科学，用作品集的形式来展示你的能力是未来申请工作的一个很好的工具，它甚至可以代替资格证书，我认为教育应该对每个人都开放，当然，至少对数据科学而言，互联网提供了这样的机会。